CVPRDec, 2020

关于多对象遮挡的鲁棒实例分割推理

PDF
TL;DR本研究提出了一种采用深度神经网络进行多对象实例分割的方法，该方法能够通过 bounding box 监督训练，具有鲁棒性并能处理复杂场景中的遮挡问题，从而提高图像分类精度。
deep neural networksmulti-object instance segmentationocclusioncompositional networksimage analysis
发现论文，激发创造
  • 看见万物背后：将语义分割扩展至被遮挡的区域

    本文利用深度学习网络结构，使用单个深度图像为输入，实现了语义分割中对可见和遮挡物体及其部分的类型预测，将语义类别进一步细分为背景和多个前景物体组，并改进了标准的交叉熵损失函数以适应这种情况，实验证明所提出的分类方法能够验证预测出被遮挡物体部分的语义类别，无需增加网络结构规模，其性能在由 SUNCG 数据集生成的新数据集上得到验证。

    Jun, 2019

  • 具有上下文感知的组合网络的遮挡下稳健物体检测

    本文提出了一种利用语境感知的 Compositional 物体检测网络，通过对上下文的切分以及扩展部件投票机制来解决部分物体被遮挡的问题，实验表明该模型在检测上表现出了强大的鲁棒性。

    May, 2020

  • 组成卷积神经网络：一种强健且可解释的物体识别模型（考虑遮挡情况）

    本研究提出了 CompositionalNets，一种将深度卷积神经网络和基于部件的模型统一起来的可解释深度体系结构，具有天生的部分遮挡鲁棒性，同时能够将图像分解为对象和上下文，并基于非遮挡部分的对象来识别遮挡对象。实验结果表明，CompositionalNets 在分类和检测部分遮挡对象方面比传统的深度卷积神经网络有显著的优势，并可以准确地定位遮挡物。

    Jun, 2020

  • 遮挡视频实例分割：基准

    我们收集了一个大规模的被遮挡的视频实例分割数据集，即检测，在遮挡场景中同时分割和跟踪实例，实验表明，现有的视频理解系统无法理解这些被遮挡的实例，我们还提出了一个简单的插件模块，用于补充遮挡引起的缺失对象线索，建立在 MaskTrack R-CNN 和 SipMask 上，在 OVIS 数据集上取得了显着的 AP 提升。

    Feb, 2021

  • 基于形状概念的深度监督算法用于考虑遮挡的三维物体分割

    本研究中，我们利用深度卷积神经网络架构在 2D 图像和 3D 空间中定位语义部件并推断它们的可见性状态，其利用合成数据和模拟的遮挡情况训练网络，并表明了其在现实图像基准测试中具有最先进的性能和有效的迁移知识。

    Dec, 2016

  • 基于双层网络结构的遮挡感知实例分割

    通过 Bilayer 卷积网络和视觉 Transformer 对遮挡的目标进行建模，以同时检测遮挡物和部分遮挡实例，并使用遮挡物和遮挡实例查询将遮挡关系分离，从而实现图像实例分割。

    Aug, 2022

  • 多人三维人体姿态估计的明确遮挡推理

    我们开发了一种方法来明确建模隐藏关节推理过程以显着增强有或无遮挡的人体姿势估计，将任务分为两个子任务：可见关键点检测和遮挡关键点推理，并提出了深度监督编码器蒸馏和骨架引导人体形状拟合来训练我们的模型，实验证明从遮挡中明确学习可以提高人体姿势估计的性能。

    Jul, 2022

  • 通过位置感知的复制粘贴数据增强实现遮挡下的实例分割

    采用鲁棒的数据增强技术和深度学习架构，通过提出一种新的数据增强技术、采用混合任务级联（HTC）框架和 CBNetV2 作为骨干架构以及引入 Stochastic Weight Averaging（SWA）训练策略，该论文在篮球场景中分割人体主体方面取得了显著的遮挡得分（OM）。

    Oct, 2023

  • 抗部分遮挡的鲁棒方法

    本文通过引入遮挡，利用斯坦福汽车数据集，创建综合分析模型，研究了不同模型在不同遮挡条件下的性能，可以进一步用于视频交通数据分析处理犯罪、收入预测等领域。

    Apr, 2023

  • 组合卷积神经网络：一种具有内在鲁棒性的深层架构，可抵御部分遮挡

    本研究旨在提出一种称为 “组合卷积神经网络” 的模型，通过整合组合模型和卷积神经网络的特性，能够在部分遮挡的情况下进行分类和定位，与传统的卷积神经网络比较表现出更强的鲁棒性和准确性。

    Mar, 2020